标签
DAREBench 是一个专为部署感知和可靠评估 AI 模型作为代理而设计的基准测试，评估多模态任务和执行形式，结果显示在商业模型和开源权重模型之间存在准确性和成本的权衡。
GLIDE是一个开源Python库，统一了最先进的预测驱动推断方法，用于生成式AI和智能体系统的无偏评估，能够在保证有效不确定性估计的同时节省标注成本。